Pada bahasan sebelumnya kita sudah membahas konsepsi dalam membangun model regresi data deret waktu. Beberapa hal atau infomasi awal yang harus kita ketahui tentang data yang kita miliki adalah pastikan tipe data kita merupakan data deret waktu, memiliki autokorelasi pada data dan data yang digunakan sudah memenuhi kriteria stasioneritas. ARIMA!
Secara aplikatif pada 3 (dua) artikel sebelumnya dengan menggunakan data deret waktu yang sama, hasil AR (1) dan MA (1) serta ARMA (1,1) menghasikan model dengan kebagusan yang sama yaitu tidak bagus jika digunakan untuk ramalan. Pada kesempatan kali ini dengan data deret waktu yang sama, kita akan coba ujikan dengan model ARIMA-Autoregressive-Integrated-Moving Average.
Adapun untuk memodelkan data deret waktu yang kita miliki, dengan model ARIMA (1,1,1) dengan menggunakan SPSS tahapannya adalah sebagai berikut :
- Siapkan data deret waktu yang akan dianalisis, data yang dimiliki bisa disiapkan dalam file excel untuk memudahkan kita dalam melakukan editing atau perapian data.
- Buka file software SPSS dan entrykan data deret waktu yang kita miliki, yang sudah disiapkan dalam file excel tadi kedalam file SPSS. Entrykan pada jendela Data View dan definisikan data tadi pada jendela Variables View. Seperti tampak pada gambar berikut.
- Setelah data dimasukan ke dalam software SPSS, lalu klik Analyse dan pilih menu Time Series dan klik pada Create Models. Seperti Tampak seperti gambar berikut.
- Setelah di klik menu Create Models, kita akan masuk pada menu dimana terdapat menu-menu yang digunakan untuk mendefinisikan model yang akan kita terapkan pada data yang kita miliki. Untuk pembahasan pada kesempatan kali ini, Autoregressive (AR1) – Intergrated (D1) – Moving Average (MA1), pada menu Method ubah dari Expert Modeler menjadi ARIMA. Lalu klik Criteria dan isikan 1 (satu) pada kolom Autoregressive, Deference dan Moving Average (Non Seasonal) seperti tampak gambar berikut. Lalu klik Continue.
- Setelahnya akan tampak pada jendela utama analisis pada Model Type akan tertuliskan (1, 1, 1). Lalu pindahkan variabel atau data deret waktu yang kita miliki dari kolom Variables ke kolom Dependent Variables. Seperti tampak pada gambar berikut.
- Untuk mendapatkann hasil output SPSS dan untuk menguji kebagusan model data deret waktu yang dihasilkan maka kita akan definisikan kebutuhan output SPSS dalam analisis data deret waktu pada menu Statistics, Plot, Ouput Filter, Save dan Options. Sekali lagi kebutuhan Output model data deret waktu harus dibangun atas dasar kepahaman teori yang mendasarinya.
Menu Statistics Untuk Menghasilkan Statistik Uji Model
Menu Plots Untuk Menghasilkan Aspek Gambar Statistik Uji Model
Menu Output Filter Untuk Menghasilkan Model Berdasarkan Kriteria Peneliti
Menu Save Untuk Melakukan Penyimpanan Data Hasil Olahan Model
Menu Options Untuk Mengatur Operasionalisasi Analisis ARIMA (1,1,1)
- Setelah kita pastikan semua kelengkapan analisis dan hasil analisis yang kita perlukan, lalu klik OK maka SPSS akan memproses data untuk mengasilkan model ARIMA (1,1,1). Dan akan dihasilkan output SPSS seperti nampak pada gambar berikut.
Model ARIMA (1,1,1) dan Uji Kebagusan Model ARIMA (1,1,1)
Grafik Data dan Grafik Model Fit
- Dari output SPSS model ARIMA (1,1,1) di atas sekiranya secara sederhana diperoleh informasi,
- Nilai koefisien untuk AR(1) dan MA (1) masing-masing sebesar 0.009 dan 0.995. Jika melihat nilai mutlak T-Ratio (t-hitung) regresi untuk AR(1) sebesar 0.074 dan MA(1) sebesar 2.12, yang jika dibandingkan dengan nilai kritisnya untuk taraf signifikansi alpha 5%, derajat bebas, DF sebesar 81, nilainya antara 1.29 dengan 1.30, maka hanya T-Ratio untuk AR (1) yang lebih kecil dari T-Tabel, yang berarti model ARIMA (1,1,1) tidak cukup signifikan untuk digunakan sebagai model ramalan, disamping kekeliruan residunya masih cukup besar yaitu sama dengan 8.041. Untuk lebih jelas dapat ditelaah dari gambar peta data nilai aktual dengan nilai ramalan dengan model ARIMA (1,1,1).
- Dari Grafik data terlihat perbedaan yang mencolok antara peta nilai aktual yang berupa gambar spektrum dengan peta nilai ramalan yang hampir mendatar (model fit). Ketidakberartian model ARIMA (1,1,1) dengan konstanta (koefisien regresinya), kemungkinan karena data tidak stasioner dalam varians, seperti telah dikemukakan, analisis regresi deret waktu dilakukan jika data statsioner, sehingga transformasi stabilitas varians harus dilakukan terlebih dahulu sebelum membangun model regresi deret waktu.
- Hasil ARIMA (1,1,1) tidak jauh berbeda dengan hasil ARIMA (1,0,0), ARIMA (0,0,1) dan ARIMA (1,0,1). Dari hasil tersebut dapat disimpulkan bahwa stabilitas varians diperlukan untuk memperkecil bias dan kekeliruan baku model, sehingga model regresi deret waktu akan menjadi lebih baik dan berarti untuk dijadikan model ramalan.
Pada kesempatan selanjutnya kita akan coba uraikan langkah-langkah perbaikan yang umum dilakukan sesuai identifikasi permasalah yang umum muncul dalam model regresi deret waktu (ex : stabilitas varians). Selain itu juga, kita akan coba uraikan kriteria kebagusan model regresi data deret waktu yang terbentuk. SEMANGAT MENELITI!!!
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
- WhatsApp : 081321709749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
- “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-
